WEEK 2 · 2026.11.07

第二週複習與操作單

替售後服務建立一個能引用規章、遇到不確定問題就轉人工的客服助理。

先回想第一週

CNN利用局部影像特徵；RNN逐步處理序列並傳遞狀態；Transformer用注意力處理序列中的關聯。用途會重疊，依資料與任務選方法。

Token是分詞器處理的單位，不等於中文字數或英文單字數。生成模型逐步產生輸出；流暢回答仍可能錯誤。

RAG先找外部證據，再讓模型組織回答。要檢查找回資料是否相關、來源是否支持答案、規章是否最新，以及何時轉人工。

成本估算包含輸入／輸出Token、使用量、檢索與人工維護。先定義服務範圍，再選驗收指標，不能只比較模型排行榜。

觀察前饋神經網路如何學分類邊界，以及模型容量與泛化的關係。這個玩具示範不直接模擬CNN、RNN或Transformer。

共同設定：Circle分類；只開x1、x2；隱藏層4、2；learning rate 0.03；train/test 50/50；noise 0；regularization None；batch 10；seed 0.1107。

A使用Linear；B只把activation改成Tanh。分別訓練約500 epochs並記下實際值，先預測再比較。

記錄：設定／只改哪一項／Training loss／Test loss／邊界形狀／我的解釋

可寫在紙上，或放入小考頁的討論筆記。操作結果沒有固定標準答案，重點是控制變因與解釋觀察。

先看資料代表性、標註、流程與使用情境。總準確率高，仍可能漏接某一類輸入；指標差距是追查線索，需再找原因。

先問系統用在哪裡、影響誰、誰提供與使用。一般FAQ客服與求職篩選的風險不同。臺灣與歐盟規範須分開查，並核對適用範圍與日期。

AI管理系統把政策、責任、評估、紀錄與監控放進日常流程。ISO/IEC42001是管理系統標準；取得驗證不代表所有系統自動符合法規或永不出錯。

FactualRAG提醒我們證據覆蓋會影響回答；CertiGuard在研究題集上的表現，仍需要人因與真實工作驗證。把研究結果與商業保證分開。

法規查核日期：2026-10-26。研究結果依原文的資料與限制解讀。